Tensorflow_01

在图中描述计算顺序,图中的节点就是操作。比如,一次加法是一个操作,一次乘法是一个操作,构建一些变量的初始值也是一个操作。
操作之间存在顺序关系,有的操作在其他操作执行完成后才能执行,这些操作之间的依赖关系就是“边”,在代码上看就是A的输入是操作B执行的结果,那么这个操作A就依赖操作B。
所有和Tensorflow相关的计算都必须在会话中完成。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,我来回答你的问题。 针对“0”“1”混合样本,在PC1-PC2构成的低维空间中进行高斯混合聚类,可以使用sklearn中的GaussianMixture模型。具体实现步骤如下: 首先,需要导入GaussianMixture模型: ``` from sklearn.mixture import GaussianMixture ``` 接着,对数据进行高斯混合聚类: ``` gmm = GaussianMixture(n_components=2).fit(Data_01_Vectorize_DR[:, :2]) labels = gmm.predict(Data_01_Vectorize_DR[:, :2]) ``` 这里将聚类总数设置为2,使用fit方法对数据进行拟合,再使用predict方法对数据进行聚类。 接下来,画出高斯混合聚类的中心和3倍方差组成的椭圆形边界。可以使用以下代码实现: ``` from matplotlib.patches import Ellipse fig = plt.figure() ax = fig.add_subplot(111) colors = ['red', 'blue'] for i in range(2): ax.scatter(Data_01_Vectorize_DR[labels == i, 0], Data_01_Vectorize_DR[labels == i, 1], c=colors[i]) for pos, covar, w in zip(gmm.means_, gmm.covariances_, gmm.weights_): U, s, Vt = np.linalg.svd(covar) angle = np.degrees(np.arctan2(U[1, 0], U[0, 0])) width, height = 2 * np.sqrt(3 * s) ellip = Ellipse(xy=pos, width=width, height=height, angle=angle, alpha=w) ax.add_artist(ellip) ellip.set_facecolor('none') ellip.set_edgecolor('black') plt.xlabel('PC1') plt.ylabel('PC2') plt.show() ``` 这里使用matplotlib库的Ellipse类,根据高斯混合模型的均值和协方差矩阵画出椭圆形边界。其中,U, s, Vt = np.linalg.svd(covar)是对协方差矩阵进行奇异值分解,np.degrees(np.arctan2(U[1, 0], U[0, 0]))是计算旋转角度,width, height = 2 * np.sqrt(3 * s)是计算椭圆形边界的宽度和高度。 最终,可以得到画出高斯混合聚类的中心和3倍方差组成的椭圆形边界的PC1-PC2散点图。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值